Professional Documents
Culture Documents
Sayım istatistiği
NEM601 RADYASYON ÖLÇÜM VE ANALİZLERİ
Bölüm Amaçı
• Olasılığın Tanımı.
– Bir deneyin defalarca tekrarlandığını ve elde edilen x türünün gerçek
sunuç olup olmadığının gözlendiğini varsayalım.
• X türü olay: deneyi yapan kişi tarafından belirlenen ve değişimi takip
edilebilen bir sonuç olacaktır.
– Eğer deney N kez tekrarlanacak olursa ve
eşit olacaktır.
2.2 DEFINITION OF PROBABILITY
• Olasılığın Tanımı
• Burada
Eşit olacaktır.
Bu eşitlik ise uygulamada yaygın olarak kullanılmaktadır.
2.2 DEFINITION OF PROBABILITY
Örnek: Madeni para 100 kez atıldığında kaç kez “tura” kaç kez “yazı” geldiğine
yönelik bir deney yapılsın. Deney sonucunda 48 kez tura ve 52 kez yazı geldiği
Cevap
Eşitliğinden
(2.1)
olması
2.2 DEFINITION OF PROBABILITY
Örnekler:
Bu durumda
n = N ve P(x) = 1 olacaktır.
olaydır,
Bu durumda
Eğer bir ölçüm sonucu, her biri eşit olasılığa sahip N olasığına
sahip ise,
Bu durumda
Şeklinde yazabiliriz.
Örnek
göre;
2.3 BASIC PROBABILITY THEOREMS
Olasılık dilinde,
Örnek Olaylar
Bir kez yazı tura atmak ve yazı gelmesi
Örnek:
x ve y birer olay olsun.
olsun.
Bu durumda:
Eşit olacaktır.
2.3 BASIC PROBABILITY THEOREMS
x ve y olaylarına göre olasılıkları şu şekilde tanımlayabiliriz.
n2 ve n3 de y olayı oluyor
n1 ve n3 de x olayı oluyor n2
de x olmuyor.
n3 de x ve y olayları oluyor.
İyice karıştırılmış iki deste kart düşünün ve her birinden bir kart
çekildiğini varsayalım. İki karttan birinin maça ası olma olasılığı
nedir?
2.3 BASIC PROBABILITY THEOREMS
Cevap 2.2
2.3 BASIC PROBABILITY THEOREMS
Durum 1
=0
2.3 BASIC PROBABILITY THEOREMS
Durum 2
II. Örnek 2.1 de gösterildiği gibi x’in oluşma olasılı
Bir zarın tek bir atışla 2 veya 5 ile sonuçlanma olasılığı nedir?
2.3 BASIC PROBABILITY THEOREMS
2.3 BASIC PROBABILITY THEOREMS
Örnek 2.4
İyice karıştırılmış iki deste kart düşünün ve her desteden bir kart çekildiğini
varsayalım. Her iki kartın da maça olma olasılığı kaçtır?
2.3 BASIC PROBABILITY THEOREMS
Cevap 2.4
2.3 BASIC PROBABILITY THEOREMS
P(x+y)= P(x)+P(y) 2.12
Örneğin,
Örneğin,
tanımlanmaktadır.
f (x ) 1
i 1
i
Probability Distributions and
Random Variables
Continuous random variables
Böylelikle
Burada dikkat edilmesi gereken konu bir sürekli değişken x'in belirli bir
değer alma olasılığı değil, yalnızca x'in iki x değeriyle tanımlanan bir
2.16 ve 2.17 denklemleri kesin bir olayın olma olasılığını verir, çünkü x
f ( x )dx 1
a
denilmektedir.
j x
F(x j )= f(x i ) F ( x ) f ( x ' )dx '
i=1 a
• F(x) is the cumulative distribution function (cdf)
Probability Distributions and
Random Variables
cdf pozitif monoton artan bir fonksiyondur, yani b > a ise F(b) > F(a).
Gerçekte cdf and eşitlik 2.18 den elde edilen pdf arasında bir ilişki
bulunmaktadır.
2.5 LOCATION INDEXES (MODE, MEDIAN, MEAN)
Konum İndeksleri (MOD, ORTAM, ORTALAMA)
Eğer F(x) veya f(x) tam olarak bilinmiyorsa, x’in belirli değerleri dağılım
Bir çok uygulamada x’in önemli değerleri nispeten çok dar bir aralıkta
kümeleşmektedir.
2.5 LOCATION INDEXES (MODE, MEDIAN, MEAN)
Konum İndeksleri (MOD, ORTAM, ORTALAMA)
Tüm dağılım hakkında genel bir bilgiye sahip olmak için x'in tipik
Teoride, random bir değişkenin değerler dağılımı için sonsuz sayıda konum
indeksi oluşturulabilir,
x2
1
• Median F ( x2 ) f ( x )d ( x )
2
• X değerinin 2 den küçük değer alma olasılığı ile 2 den büyük değer alma
olasılığı birbirine eşittir.
Also known as the “expectation value” or “first moment”
Location Indexes
• Mean: x’in ortalama veya beklenilen değeri aşağıdaki eşitlik ile
hesaplanmaktadır.
xm x f ( x )dx
• Ayrı bir yoğunluk fonksiyonu Pdf için konum indeksi benzer şekilde
tanımlanmaktadır.
• Eğer pdf denklem 2.17 yi karşılıyor ise.
• Ortalama eşitlik aşağıdaki gibi yazılır
g ( x )f ( x )dx g ( x )f ( x )
i i
g( x ) g( x ) i 1
N
f ( x )dx f (x )
i 1
i
DISPERSION INDEXES, VARIANCE, AND STANDARD
DEVIATION
Dağılım İndekseleri, varyasyonlar ve standard sapma
Discrete (kesikli)
N
V ( x ) 2 ( x i m )2 f ( x i )
dağılımlar için
i 1
• Standard Deviation
– square root of the variance
s 2
Dispersion Indexes
• F(x) denleminin sürekli ve kesikli dağılımlare için ve 2.17 yi sağladığı kabul
edilmektedir.
Eşitlik 2.16 Eşitlik 2.17
2 x 2 2mm m 2 x 2 m 2
The variance is the difference between 2
the mean of the squares and the mean
squared
x - x
2 2
Example: Calculating Variance
DATA Data Squared
5 25 • The Microsoft Excel function “stdev” uses the “n-
6 36 1” method for a population sample and returns
3 9 2.089 (population variance)
8 64
9 81
3 9
• The Microsoft Excel function “stdevp” uses the
4 16 unbiased method and returns 2 (sample variance)
7 49
5 25 • As “n” gets very large, there is little difference
6 36 between the two methods
7 49 2
9 81
• Be careful using
x - x
2 2
=72/12 =480/12
Mean = 6 Mean of Sq. =
on small samples, unless the sample is large or
40 reflects the entire population
2 = 40 – (6)2 = 4
=2
Covariance and Correlation
• Correlation is a measure of how one random variable depends on another
random variable
– If data is strictly independent (purely random) correlation is zero
• Covariance is the correlation with the mean values removed from the data
(subtracted out)
• Correlation coefficient
cov( xi , x j )
ij xi , x j
i j
n!
P( x )
p = probability that the outcome ispAx (1 p )n x
1-p = probability that xoutcome
(n the )! x ! is B
n = number of objects or trials
Binomial Distribution
n
x pn
mean x xP ( x ) pn If an event has a 50% chance of occurring, then we
x 0 expect for 10 trials to observe (0.5*10 = 5) successes
n
2 x x P(x )
x 0
x
pn e x
x
e pn x For mean value >20 the Poisson
P( x ) distribution is essentially symmetric
x! x! and resembles a normal distribution
p = individual success
probability
n = number of objects or trials
xbar = mean = pn
Normal (Gaussian) Distribution
• A simplification of the binomial distribution where the mean is large (>
20)
– Ex: Birthdays of a random group of 10,000 people
• p = 1/365 n = 10,000 m = p*n = 10000/365 = 27.4
• mean is larger than 20, so can use Normal (Gaussian) distribution
• Properties
– Normalized
p( x ) 1
x )dxmean
– Symmetric aboutp(the
x 0
– Predicted variance
2 x = x
Normal (Gaussian) Distribution
x m
2
1
G( x )dx exp dx
2
2
2 2
m = average of distribution
2 = variance of distribution
G(x)dx = probability that x lies between x & x+dx
2 2Ln 2 2.35
Normal (Gaussian) Distribution
• Confidence Limits
m
A G( x )dx 0.683
m
68.3% of all measurements will fall between 1